react 模式需手动实现推理-行动闭环：生成文本→解析动作→调用工具→注入结果→循环，而非依赖现成库；须统一工具签名、严格匹配prompt格式、截断长输出、兜底异常并显式拼接换行。
ReAct 模式在 Python 中不是现成库，得自己搭骨架
Python 没有叫 react 或 ReAct 的标准库或主流包来直接实现推理-行动（Reasoning-Action）闭环。所谓“ReAct 模式”，本质是把大模型的输出拆解为「思考步骤 + 可执行动作」，再由代码控制流程走向——它是个模式，不是 API。
常见错误现象：AttributeError: module 'llm' has no attribute 'react'、盲目 pip install react（装的是 React.js 的 Python 绑定，完全无关）、或把 LangChain 的 AgentExecutor 当成开箱即用的 ReAct 实现（它只是其中一种封装，底层逻辑仍需你定义）。
- 真正要做的，是写一个循环：生成文本 → 正则/结构化解析出动作（如
search("量子计算")）→ 调用对应函数 → 把结果喂回模型 → 继续推理 - LangChain 的
ReActSingleActionAgent或 LlamaIndex 的ReActAgent是可复用的骨架，但必须提供tools列表和明确的prompt模板，否则它根本不知道该“行动”什么 - 别跳过 parser：模型输出格式稍有偏差（比如多一个空格、少一个引号），
re.search(r"Action: (\w+)\((.*)\)", text)就会返回None，整个链路静默失败
手动实现 ReAct 循环时，必须隔离模型调用与工具执行
核心陷阱在于把 LLM 推理和工具调用混在同一作用域里——比如在 generate() 函数里直接 os.listdir()，这会导致不可控副作用、无法 mock 测试、且难以调试哪一步崩了。
使用场景：你要让模型查天气、搜维基、读本地 CSV，每种操作都应封装为独立函数，并统一接受字符串参数、返回字符串结果。
立即学习“Python免费学习笔记（深入）”；
- 工具函数签名必须一致，例如全部是
def tool_name(query: str) -> str:，不能有的要path参数，有的要city和unit - 模型 prompt 里要明确写出工具列表和调用格式，例如：
Available tools: search, read_file. Use Action: search("xxx") to query.—— 少一个句点或引号类型（中文引号 vs 英文）都可能让 parser 失效 - 超时和异常必须兜底：工具函数内部加
try/except，返回类似"Error: file not found"而非抛异常，否则整个 loop 会中断
LangChain 的 ReAct Agent 不自动处理工具返回值长度
LangChain 的 ReActSingleActionAgent 默认把工具返回内容原样塞进下一步 prompt，但大模型上下文窗口有限。如果 read_file("log.txt") 返回 2000 行日志，下一轮 prompt 很可能被截断，导致模型“忘记”刚读过的内容。
性能影响：没做截断或摘要，token 消耗翻倍，响应变慢，还容易触发 context length exceeded 错误。
- 在工具函数里主动限制输出长度，例如
return content[:1000] + " [truncated]" - 或改用
Tool类的return_direct=False+ 自定义handle_tool_result做摘要（比如用小模型抽三句话） - 别依赖
max_iterations=6就万事大吉——如果每次工具返回都超长，第 2 轮就卡死，根本跑不到第 6 次
本地运行时，Observation 字段名大小写和空格极易错
ReAct 标准 prompt 里，模型输出后，你拼接的 observation 必须严格匹配模板中定义的字段名。LangChain 默认用 Observation: xxx（冒号后一个空格），但如果你手写 prompt 写成 OBSERVATION:xxx 或 Observation:（无空格），parser 就找不到位置。
常见错误现象：模型明明返回了结果，但 agent 下一轮还是重复调用同一个工具，像卡在循环里——大概率是 observation 插入位置错位，或者字符串拼接时漏了换行符。
- 永远用
print(repr(observation_line))看实际字符串内容，而不是只看终端渲染效果 - 拼接时显式加换行：
f"\nObservation: {result}\nThought:"，避免因前序输出没结尾换行导致粘连 - 如果换模型（比如从 gpt-3.5-turbo 换到 llama3），prompt 模板里的关键词（
Thought/Action/Observation）最好全小写并加方括号，比如[thought]，降低对大小写的敏感度
